声明
摘要
1.1研究背景
1.2 研究内容及意义
1.3研究工作及创新点
1.4 本文的组织结构
第2章相关工作
2.1 时间序列特征表示
2.1.1 基于域变换的特征表示方法
2.1.2 基于模型的特征表示方法
2.1.3 基于分段的特征表示方法
2.1.4基于符号的特征表示方法
2.2 时间序列分类方法
2.2.1 基于模型的分类方法
2.2.2 基于全局特征的分类方法
2.2.3 基于局部特征的分类方法
2.2.4基于组合的分类方法
2.3 本章小结
3.1 概述
3.2 问题形式化
3.3 基于转折点的在线分段线性表示方法
3.3.1初始线性分割
3.3.2 线性分段的评估与再次分割
3.3.3线性分段的合并
3.4实验与分析
3.4.1 实验设置
3.4.2 表示精度对比实验
3.4.3 表示效率对比实验
3.5 本章小结
4.1 概述
4.2问题形式化
4.3 基于自适应表示索引的时间序列多分辨率混合表示方法
4.3.1 自适应表示索引ARI的建立
4.3.2 基于自适应表示索引的高效多分辨率混合表示
4.3.3 MHR-ARI时间复杂度分析
4.4实验与分析
4.4.1 实验设置
4.4.2 索引建立时间的对比实验
4.4.3 表示效率的对比实验
4.4.4并行加速比分析
4.5 本章小结
第5章基于局部特征高效选取的时间序列分类方法
5.1 概述
5.2问题形式化
5.3高效Shapelet选取方法
5.3.1 生成代表性时间序列集合
5.3.2 生成精简Shapelet候选集合
5.3.3 ESS的时间复杂度分析
5.4实验与分析
5.4.1 实验设置
5.4.2 参数分析
5.4.3 基于分类精度的对比实验
5.4.4 基于分类效率的对比实验
5.5 本章小结
第6章基于多表示学习模型的时间序列分类方法
6.1 概述
6.2 多表示循环神经网络模型
6.3实验与分析
6.3.1 实验设置
6.3.2 基于分类准确率的对比实验
6.3.3 MR-RNN不同信道的分类精度对比实验
6.3.4注意力机制分析
6.4 本章小结
第7章总结与展望
7.1主要工作总结
7.2 未来工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参与科研项目情况
攻读学位期间获得的奖励
外文论文
山东大学;